Hoe Encord Hersengolven, EMG en Teleoperatie Inzet om Trainingsdata voor Fysieke AI te Bouwen

EMG (Spiersignaal) Sensoren

Tegelijkertijd test Encord sensoren die om de onderarm worden gedragen en elektrische signalen in spieren detecteren. Omdat standaard video van handen vaak de precieze vingerposities verbergt, hoopt het bedrijf de 3D-handhouding te reconstrueren uit deze EMG-signalen, waardoor modellen een beter begrip krijgen van behendige manipulatie .

Teleoperatie Data

In het onderzoeks- en ontwikkelingscentrum in San Leandro heeft Encord 'leider-volger'-robotarmen. Een menselijke operator bestuurt direct één arm, terwijl een tweede arm de beweging nadoet. Dit levert hoogwaardige data op voor taken als koffie schenken, pokerchips stapelen, ethernetkabels in- en uitpluggen en het hanteren van huishoudelijke objecten . Volgens Encord heeft elk humanoïde robotica-bedrijf om deze taakspecifieke datasets gevraagd .

Egocentrische (Eerstepersoons) Video

Piloten dragen hoofdcamera's die vastleggen wat ze zien, aangevuld met data uit verschillende fabrieken over de hele wereld. Dit levert een schaalbare bron van observatiedata uit de echte wereld .

Dataverzameling in het Veld en Lab

Encord zet speciale operators in het veld in en beheert aanpasbare laboratoria om lichaamspecifieke data te verzamelen, waaronder LiDAR, puntenwolken en gesynchroniseerde multimodale sensorstromen . De verzamelprotocollen zijn ontworpen vanuit de trainingspijplijn van de klant, zodat elke episode wordt geclassificeerd, gesynchroniseerd en afgestemd op het doelmodel . Het bedrijf legt ook faalmodi vast via een terugkoppeling: wanneer een model in het veld faalt, wordt de mislukking via externe teleoperatie vastgelegd en teruggevoerd naar het dataverzamelingsbeleid .

Belangrijke Technische Uitdagingen

De Waarde van Neurale Data Bewijzen

De aanpak van Zander Labs leidt mentale toestanden af uit hersenactiviteit op een grof niveau — door te meten hoeveel cognitieve inspanning een piloot levert, bijvoorbeeld — zonder specifieke gedachten te decoderen . Het experiment moet uitwijzen of dit signaal daadwerkelijk de prestaties van robotmodellen verbetert in vergelijking met alleen standaard video- en teleoperatiedata. Als de verbetering marginaal is, zijn de kosten van het toevoegen van EEG aan elke datasessie mogelijk niet gerechtvaardigd.

Multimodale Synchronisatie en Annotatie

Fysieke AI vereist sensoren zoals video, diepte, LiDAR, audio, IMU en nu ook EEG/EMG die nauwkeurig in de tijd zijn uitgelijnd en samen worden geannoteerd. Encord heeft ondersteuning gebouwd voor native formaten (MCAP, ROSBAG) en sensorfusie, maar het beheersen van de complexiteit van het synchroniseren van 2D-, 3D- en biosignaalstromen blijft een hard technisch probleem .

Datadiversiteit en Vastleggen van Faalmodi

Modellen hebben blootstelling nodig aan uiteenlopende omgevingen, verlichting, operators en faalgevallen. Encord gebruikt een terugkoppeling van inzet, maar faaldata wordt algemeen beschouwd als ondergewaardeerd, maar essentieel voor robuuste fysieke AI . Zonder voldoende randgevallen zullen modellen, getraind op zelfs de rijkste data, slecht generaliseren.

Belangrijke Economische Uitdagingen

Extreme Kosten van Fysieke Data Creatie

In tegenstelling tot grote taalmodellen, die trainen op tekst van het internet, vereist fysieke AI eigen, real-world data die wordt gegenereerd door dure hardware, menselijke operators en gecontroleerde omgevingen. Het model van Encord is een bewuste verschuiving naar duurdere, gespecialiseerde productie van data — het schaalt minder goedkoop dan webscraping .

Hoge Kapitaalvereisten

Encord heeft in totaal $110 miljoen opgehaald, waaronder een Serie C van $60 miljoen in februari 2026 onder leiding van Wellington Management . Het bedrijf moet zwaar investeren in faciliteiten (het R&D-lab in de Bay Area), robotica-hardware, getraind personeel ('piloten') en data-annotatie-infrastructuur — allemaal voordat de meeste klanten robots op schaal hebben ingezet.

De Simulatiekloof

Simulatie kan goedkoop grote synthetische datasets genereren, maar het slaagt er systematisch niet in om de echte fysica, randgevallen en fijnmazige manipulatie vast te leggen. Encord en anderen wedden dat alleen echte menselijke demonstratiedata — met alle kosten en rommel van dien — de kloof tussen simulatie en werkelijkheid kan overbruggen die nodig is voor algemene robotica .

Markttimingrisico

Encord verwacht dat er in de komende vier jaar meer dan 400 miljoen intelligente robots online komen, waardoor de fysieke AI-industrie jaarlijks meer dan $30 miljard zal bedragen . Als de adoptie langzamer verloopt dan verwacht, zal de vraag naar dure, op maat gemaakte trainingsdata mogelijk niet snel genoeg toenemen om de huidige infrastructuuruitgaven te rechtvaardigen.

Conclusie

Encord loopt voorop met experimentele biosignaalvangst (hersengolven en spiersensoren) naast teleoperatie, egocentrische video en fysieke dataverzameling in het lab, om het tekort aan realistische trainingsdata in de sector aan te pakken. De aanpak is nog niet op schaal bewezen: het hersengolf-experiment wordt actief geëvalueerd en de belangrijkste economische afweging is dat fysieke data veel duurder is om te produceren dan web-scale tekstdata. Succes hangt af van de vraag of deze rijkere datamodaliteiten de prestaties van robotmodellen significant verbeteren en of de fysieke AI-markt snel genoeg groeit om de initiële investering te rechtvaardigen.